Nat Commun.：利用机器学习从阻抗谱中识别锂离子电池的衰减模式
兔兔
锂离子电池由于其高能量和功率密度，已成为现代生活中不可或缺的一部分。然而预测锂离子电池的健康状况（SoH）和剩余使用寿命（RUL）是一个亟待解决的挑战，它限制了消费电子产品和电动汽车等技术的发展。有鉴于此，剑桥大学Alpha A. Lee与法拉第研究所Ulrich Stimming等人将电化学阻抗谱（EIS）与高斯过程机器学习相结合，建立了一个精确的电池预测系统。
本文要点：
1）电化学阻抗谱是一种实时的、非侵入性的、信息丰富的测量方法，目前在电池诊断中还没有得到充分的应用。结果表明，利用电化学阻抗谱(EIS)，高斯过程回归（GPR）能够准确地估计电池的容量，并预测电池的寿命，这是电池SoH的关键指标。
2）研究人员收集了超过20,000个商用锂离子电池在不同的健康状态、充电状态和温度下的EIS，这是迄今为止关于电池阻抗谱最大的数据库。高斯过程模型可以将整个光谱作为输入，无需进行进一步的特征设计，即可自动确定哪些光谱特征可预测衰减。而且，研究人员设计的方法可以通过一次阻抗测量来估算电池在三个恒定温度下，在其寿命的任意点循环使用的容量和RUL。
3）这项工作提供的模型比使用放电曲线特征的传统方法更加准确。即使不完全了解电池的过去工作条件，这一模型也可以准确地预测电池的剩余使用寿命，这一结果证明了EIS信号在电池管理系统中的价值。
Yunwei Zhang, et al. Identifying degradation patterns of lithium ion batteries from impedance spectroscopy using machine learning. Nat. Commun. 2020, 11 (1), 1706.
DOI: 10.1038/s41467-020-15235-7
https://doi.org/10.1038/s41467-020-15235-7
版权声明：
本平台根据相关科技期刊文献、教材以及网站编译整理的内容，仅用于对相关科学作品的介绍、评论以及课堂教学或科学研究，不得作为商业用途。
